基于分类体数据的四面体网格剖分算法

虚拟内窥手术是以真实病人的 CT或者 MRI扫描数据为基础 ,首先通过组织分割 ,在计算机内部建立起三维模型 ,然后通过虚拟现实技术来模拟内窥镜手术全过程的一项技术 .其中 ,人体器官的三维网格建模是该技术中一个十分重要的部分 .为了准确地进行人体器官三维网格建模 ,在对三维体数据进行组织分割的基础上 ,提出了一种由分类体数据直接建立三维四面体网格的方法 .由于 Delaunay三角剖分所产生的网格质量比较高 ,所以该方法沿用逐点插入算法的思想 ,以特征点的提取和 Steiner布点为基础来生成四面体网格 ,并通过组织边界的判定准则和利用 flip操作来恢复组织边界 .实践证明 ,该方法所生成的网格具有自适应的网格密度 .

基于密度-距离图的交互式体数据分类方法

体数据分类是体绘制中传递函数设计的核心问题.标量值-梯度模直方图作为表征体数据的一种经典二维特征空间,已被广泛应用于分类体数据.然而,大部分已有方法存在过于依赖分类算法的参数设置、运算效率低、交互复杂度高等问题.以标量值-梯度模直方图的密度分布为基础,并依据物质中心密度大且物质中心间距离远这一特性,首先快速计算每个数据点的密度及每个数据点到比其密度大的点的最小距离;然后,将所有数据点投影到密度-距离图,并以密度-距离图作为人机接口,使用户能够交互地选择多个密度中心来分类体数据并设置传递函数.通过多组实验验证,所提出的方法无需预设物质类别的数量,分割标量值-梯度模直方图的准确度较高且速度较快,所设计的密度-距离图是一个有效的人机交互接口,可以有效地引导用户完成由粗糙到精细的递进式体数据分类和可视化过程.

基于支持向量机的体数据分类算法研究

在由工业CT图像构成的体数据中,低密度材质的灰度与背景及伪影的灰度接近,影响了分类的准确性,进而影响体绘制的结果。针对这一问题,提出了一种基于支持向量机的体数据分类算法。首先以体素的灰度、梯度、局部直方图的熵和矩为样本特征进行训练,得到决策函数,并通过决策函数对体数据进行类别标记,再将具有相同标记的体素的灰度值变换到指定的灰度区间,最后利用阻光度传递函数对体素进行阻光度赋值,完成体数据的分类。实验结果表明,所提出的算法较好的实现了体数据的分类,体绘制结果清晰,且能够实现试件的模拟拆卸。

基于直方图熵的体数据分类算法研究

体数据的分类用于确定体素的可见性,在三维体绘制中起着重要的作用。提出一种基于熵的体数据分类算法。首先根据累计直方图将体数据的直方图进行分段,然后根据熵判别式在每个分段中计算一个阈值作为阻光度传递函数的分段点,再根据阻光度传递函数计算出体素的阻光度值,完成体数据的分类。以工业CT体数据为对象进行实验,其结果表明,所提出的算法较好地实现了体数据的分类,体绘制结果清晰,且能够实现试件的模拟拆卸。

基于SOM-PNN分类器的体数据概率分类及绘制

概率分类是三维医学体数据绘制必不可少的预处理环节．本文提出的SOM－PNN分类器，以贝叶斯置信度为基础，给出概率分类结果，并用于三维体绘制，得到了良好的图像质量和较高的分类效率．传统的参数模型方法的主要缺点是预先假定的概率分布函数形式不一定符合待分类的数据．非参数模型方法，如PNN分类器，可以有效地克服参数模型的缺点，但其巨大的内存开销与低的分类速度使得用PNN作图像分类几乎不可行．SOM具有良好的自组织聚类能力，但无法直接给出概率分类结果．本文提出的SOM－PNN分类器在SOM聚类的基础上，利用PNN进行概率分类，结合了SOM自组织聚类和PNN概率分类的优势，同时克服了传统参数模型分类的局限性．实验结果证实了SOM-PNN分类器具有分类精度高、速度快及揭示细节的能力．